[发明专利]构建基于经典训练的量子前馈神经网络的方法

说明书

本公开提供一种构建基于经典训练的量子前馈神经网络的方法，包括：步骤1：给出量子神经元的明确定义；步骤2：选定具体激活函数进而用量子线路表示出量子神经元的模型；步骤3：以步骤2所述的量子神经元模型为基础，提出量子前馈神经网络模型；以及步骤4：提出经典训练方法，并定量分析所述经典训练方法的有效性，完成基于经典训练的量子前馈神经网络的构建，通过上述方法缓解现有技术中量子神经网络的明确定义不统一，量子神经网络模型没有同时具备输入、输出和权重均是量子态；以及激活函数的实现没有具体的量子线路表示；量子神经网络模型没有延展性；以及量子神经网络中缺乏对训练过程有效性的理论分析等技术问题。

技术领域

本发明涉及量子计算、神经网络技术领域，尤其涉及一种构建基于经典训练的量子前馈神经网络的方法。

背景技术

人工神经网络最早可以追溯到1943年的McCulloch-Pitts(M-P)提出的神经元模型。R.Rosenblatt在M-P神经元的基础上增加了训练过程，从而提出了感知器模型。目前为止，人工神经网络不仅有着完善的理论基础，而且已经在实际应用发挥着重要作用，这涵盖了模式识别，分类问题和多变量数据分析等领域。

量子神经网络的想法最早由Kak在1995年提出，是经典人工神经网络和量子计算结合的模型。目前发展了许多量子神经网络的模型，一些是运用量子计算实现了潜在加速能力的经典神经网络；一些完全由实际的物理设备描述；一些是量子感知器模型；一些量子神经网络模型中量子神经元的输入、输出是量子态，未考虑以量子神经元的输出作为下一层神经元的输入的方式搭建网络；一些量子神经网络模型没有训练过程；一些量子神经网络模型没有具体的训练过程，只有抽象的数学表达式，等等。

发明内容

(一)要解决的技术问题

基于上述问题，本公开提供了一种构建基于经典训练的量子前馈神经网络的方法，以缓解现有技术中量子神经网络的明确定义不统一，量子神经网络模型没有同时具备输入、输出和权重均是量子态；以及激活函数的实现没有具体的量子线路表示；量子神经网络模型没有延展性；以及量子神经网络中缺乏对训练过程有效性的理论分析等技术问题。

(二)技术方案

本公开提供一种构建基于经典训练的量子前馈神经网络的方法，包括：

步骤1：给出量子神经元的明确定义；

步骤2：选定具体激活函数进而用量子线路表示出量子神经元的模型；

步骤3：以步骤2所述的量子神经元模型为基础，提出量子前馈神经网络模型；以及

步骤4：提出经典训练方法，并定量分析所述经典训练方法的有效性，完成基于经典训练的量子前馈神经网络的构建。

在本公开实施例中，所述步骤1中，定义映射F是一个n-变量的量子神经元，表示如下：

f(<x|w>)是量子神经元的输出，量子态|x>为量子神经元的输入，f为激活函数，表示n粒子的直积态，x、w 分别表示列向量，表示在复数域上的2n维的希尔伯特空间。

在本公开实施例中，同时将量子神经元的输出作为量子神经元的态。

在本公开实施例中，激活函数f，表达如下：

其中，表示矩阵，a表示列向量。